Как байесовские методы помогают химикам: опыт ИОХ РАН в применении ИИ

Что общего между химией, искусственным интеллектом и статистикой? Оказывается — гораздо больше, чем кажется. В новых задачах, с которыми сталкиваются современные исследователи, без алгоритмов машинного обучения уже не обойтись. Особенно если речь идет о моделировании молекул, калибровке аналитических датчиков или оптимизации химических процессов.

Об этом и не только рассказал Михаил Геннадьевич Медведев, к.ф.-м.н., заведующий группой теоретической химии Института органической химии им. Н. Д. Зелинского РАН. Он выступил с докладом на первой междисциплинарной конференции по искусственному интеллекту «ИИ–ЗАМАН 2025», которая прошла в Казани. Мероприятие собрало специалистов из самых разных областей. Химия оказалась одной из тех дисциплин, где интерес к ИИ особенно высок: задачи становятся все сложнее, а инструменты — мощнее.

Тема доклада: «Байесовы методы в конформационном поиске, калибровке биохимических детекторов и оптимизации химических процессов».

Выступление прошло в секции, посвященной применению ИИ в естественных науках — это одна из тех областей, где особенно остро ощущается потребность в новых вычислительных подходах и междисциплинарном мышлении. Михаил Геннадьевич представил подходы, позволяющие использовать вероятностные модели не как вспомогательный инструмент, а как полноценную часть научной методологии.

Ученый ответил на вопросы по сути доклада и применении ИИ в химии

● Какова главная научная задача, которую вы решаете в своей работе? Почему именно байесовские методы оказались подходящими?

В своем докладе я сделал акцент на наших применениях ИИ для решения обратных задач в разных областях химии — это когда от модели требуется предложить решение, которое позволит достичь требуемого результата. Обратные задачи очень часто встречаются в жизни исследователей — оптимизация реакции или дизайн лекарственного соединения как раз являются примерами обратных задач. Байесовские методы идеально подходят для этого, так как имеют встроенную оценку надежности, которая необходима в процессе принятия решения. Если вы рассматриваете два катализатора, один из которых обеспечит нужную скорость с вероятностью 30%, а второй — 90%, то выбор очевиден.

А вообще, в своей работе мы используем не только байесовские методы и решаем самые разные химические задачи, относящиеся ко всем четырем стадиям цикла химического исследования:

● Что такое конформационный поиск и какую роль в нем играет искусственный интеллект?

Конформационный поиск — это процесс определения всех возможных форм молекулы (их еще называют конформерами) в трехмерном пространстве. Как правило, конформационный поиск стартует с одной конформации и должен привести к исчерпывающему набору конформеров, так чтобы при расчете свойства данной молекулы мы для нее учли все — по крайней мере выгодные — формы.

Как следует из описания выше, конформационный поиск — это решение обратной задачи: какая еще форма молекулы могла бы быть выгодной, но пока отсутствует среди уже найденных нами форм? Именно для решения этой задачи мы и использовали методы ИИ. Более детально об этом можно прочитать в нашей статье.

● Как ИИ помогает в оптимизации химических процессов? Есть ли уже практические результаты?

Ровно так же, как и в конформационном поиске, но вместо того, чтобы искать выгодные формы молекул, мы ищем выгодные комбинации условий реакции: температуры, концентраций реагентов и так далее. Там, конечно, есть свои особенности, которые позволяют делать это эффективно.

● Можно ли сказать, что ИИ сегодня становится полноценным научным инструментом в химии, а не просто «цифровой модой»?

Однозначно. Методы ИИ уже сейчас решают реальные химические задачи и дают ученым возможность делать то, что раньше казалось невозможным. Довольно заезженный пример, но как раз тут он подойдет — AlphaFold, за который была получена Нобелевская премия в прошлом году.

● Планируете ли вы развивать это направление дальше? Вдохновило ли что-то на конференции на новые идеи или подходы?

Обязательно — Байесовы методы видятся мне уникальным инструментом, хорошо подходящим для самых разных задач химии. Мы планируем и дальше работать над их приложением к химическим задачам. При этом мы, конечно, планируем развивать и применять и другие подходы к ИИ — с моей точки зрения, инструмент надо подбирать под задачу, а не наоборот. В частности, на конференции мое внимание привлек доклад Екатерины Муравлевой из AI4Science Сбера про приложения метода Flow Matching. Я думаю, что этот подход имеет огромные перспективы в научных приложениях — мы уже запустили новый проект чтобы «пощупать» этот метод.

Немного о конференции:
«ИИ–ЗАМАН 2025» стала частью Kazan Digital Week — масштабного международного форума, объединившего свыше 1200 спикеров из 70 стран и более 160 секций по самым разным направлениям: от финтеха и интеллектуальных транспортных систем до ИИ в биологии, здравоохранении и культуре.